26
K UNS T IG IN T EL L IGENS
DYNAMO
Billedtekst xxxx xxxxx xxxx xx xxxxx xx xxxx xxxx xx xx xxxxx xx xxxx xxx xx xxxx xxxx xx xxxxxx xx xxxx xxxx xx xxxxx xx xxxx xxxx xx xxxxxxxxxx x.
09
2021
DTU
Figuren viser, hvordan den matema tiske model er trænet vha. billed analyse og mønster genkendelse til at placere patienter i tre forskellige grupper ud fra, om de har akut behandlingskræ vende mellemø re betændelse eller ej.
NOE AOM mild AOM severe OME mild OME servere
30
at analysere billeder af trommehinder til at diagnosticere øreproblemer. Men Josefine Vilsbøll Sundgaards resultat er så godt, at det er blevet offentliggjort i verdens førende tidsskrift inden for medicinsk anvendelse af billedanalyse, ’Medical Image Analysis’/Elsevier. Proof of concept Josefine Vilsbøll Sundgaard mangler stadig et år af sit ph.d.-projekt, og hun arbejder nu videre med data fra Interacoustics’ instrumenter. ”Vi kan se, at modellen har svært ved at stille de rette diagnoser, hvis der er meget ørevoks på trommehinden, eller billederne er uskarpe, for det skjuler vigtige kendetegn. Det er en svaghed, som vi gerne vil have forbedret. Ved at kigge på andre typer data fra Interacoustics kan vi forhåbentlig forbedre diagnosticeringen af mellemørebetændelse,” siger Josefine Vilsbøll Sundgaard. Deep learning er et relativt nyt felt, som udvikler sig enormt hurtigt, og udviklingen har gjort det muligt at automatisere mange analyseværktøjer. Efterhånden som forskningsfeltet bliver mere og mere udbredt, bliver metoderne anvendt stadig flere steder i praksis. I dag bliver deep learning anvendt til billedanalyse og hjælp til diagnostik af bl.a. kræftsygdomme. Forskningen her bekræfter ifølge Josefine Vilsbøll Sundgaards vejleder, lektor Rasmus R. Paulsen, at deep learning egner sig rigtig godt til at skelne mellem varianter af mellemørebetændelse. ”Selv folk, der ikke er læger, kan se på billeder, at noget er galt, hvis trommehinden er irriteret, rød og hævet, og der måske flyder væske i øret. Men hvis læger anvender avancerede billedanalysemetoder, har de større chancer for
T-SNE DIMENSIONS 2
20
10
0
-10
-20 -20
-10
0
10
20
T-SNE DIMENSIONS 1
Figuren viser, hvordan modellen selv kan placere patienter ind i de forskellige diag nosegrupper vha. analyse af billeder, som den ikke har mødt før. Grupperne er ikke lige så vel definerede som i fi guren ovenfor, men alligevel rammer den rigtigt i 85 pct. af tilfældene.
NOE AOM mild AOM severe OME mild OME servere
10
5 T-SNE DIMENSIONS 2
Den matematiske model kan vha. billedanalyse skel ne mellem et rask mellemøre, ét med betændelse, men som ikke kræver behandling og så ét, der kræver behandling.
NR. 66
0
-5
-10
-15
-10
-5
0
5
10
T-SNE DIMENSIONS 1
at hjælpe patienter i gråzonen korrekt og undgå overbehandling med antibiotika,” siger Rasmus R. Paulsen. I ph.d.-projektet udfører DTU et forskningsbaseret proof of concept. Det er så op til Interacoustics at anvende den nye viden, f.eks. ved at integrere deep learning-modeller i softwaren i de digitalkameraer, man bruger i otoskoper. Lovende resultat Forskningschef hos Interacoustics James Harte kalder forskningsresultatet ekstremt lovende og glæder sig til at se, hvor effektiv og følsom metoden kan blive gennem yderligere forbedringer.
Han vil af konkurrencehensyn ikke komme ind på, hvordan Interacoustics konkret vil anvende deep learningmetoder i de kommende år. ”Men det er tydeligt for os i Inter acoustics, at deep learning kan bruges i diagnosticering af sygdomme, der er velbeskrevne med billeder og andre data. Jeg ser også en tendens til, at man ønsker at anvende data ikke bare i devices, men også i cloudbaserede løsninger, og det skaber mulighed for at udvikle bedre løsninger for vores kunder,” siger James Harte. J o s ef in e V il s b ø l l S u n d ga a rd , p h . d . -st u d e ren d e, DTU Co mp ut e , j o sh @ d t u . d k